AI 與世界的難題 · 核融合與能源 · arXiv · 2026-10-23
適用於工業與能源系統狀態監測與故障分類的抗雜訊量子啟發合成少數類過採樣方法
原標題: Noise-Robust Quantum-Inspired Synthetic Minority Oversampling for Condition Monitoring and Fault Classification in Industrial and Energy Systems
類別不平衡使機器學習難以學習工業狀態監測中的少數類故障模式。作者擴展了量子SMOTE過採樣方法,將雜訊直接加入其基於交換測試(swap test)的相似度估計中,以便測試過採樣本身的穩健性。在四個公開資料集和五種分類器上,QSMOTE在引擎故障資料集上最多提升了170%的結果,而雜訊的影響則隨雜訊模型和分類器而異。